Flood Forecasting Model in the Lower Northeast of Thailand

Abstract

The objective of this research is to evaluate the optimized models to predict flooding from a daily meteorological and hydrological data -viz. precipitation, minimum temperature, maximum temperature, evapotranspiration, and discharge from the years 2008 to 2022. Three models as Artificial Neural Network (ANN), Long Short-Term Memory (LSTM), and Physics-Guided Long Short-Term Memory (PG-LSTM) were considered, and the performances measured via Nash-Sutcliffe Efficiency (NSE), Root Mean Squared Error (RMSE), and Percentage Bias (PBIAS). The results with a higher value of mean NSE (> 75%) and PBIAS between ±10 from three models can be used for forecasting. As a result, the performances of ANN, LSTM and PG-LSTM perform the suitable for forecasting, respectively.

ในงานวิจัยนี้ มีวัตถุประสงค์คือสร้างแบบจำลองที่เหมาะสมสำหรับการพยากรณ์น้ำท่วม จากข้อมูลทางอุตุนิยมวิทยา และข้อมูลอุกทกวิยา ได้แก่ ปริมาณฝนรายวัน อุณหภูมิต่ำสุดรายวัน อุณหภูมิสูงสุดรายวัน อัตราการระเหยรายวัน และอัตราการไหลรายวัน ตั้งแต่ปี 2551 ถึง 2565 ด้วยแบบจำลองโครงข่ายประสาทเทียม (Artificial Neural Network: ANN) แบบจำลอง Long Short-Term Memory (LSTM) และ แบบจำลอง Physics-Guided Long Short-Term Memory (PG-LSTM) ทำการเปรียบเทียบประสิทธิภาพของแบบจำลองพิจารณาจากค่าสัมประสิทธิ์ประสิทธิภาพของแนช–ซัทคลิฟฟ์ (Nash–Sutcliffe Efficiency: NSE) ค่ารากที่สองของค่าความคลาดเคลื่อนกําลังสองเฉลี่ย (Root Mean Squared Error: RMSE) และร้อยละความเอนเอียง (Percentage Bias: PBIAS) ผลการศึกษา พบว่า มีค่า NSE เฉลี่ยของแต่ละแบบจำลองมากกว่า 0.75 และ ค่า PBIAS เฉลี่ยของแต่ละแบบจำลองอยู่ระหว่าง -10 ถึง 10 สามารถใช้ในการพยากรณ์ได้ ซึ่งแบบจำลอง ANN ให้ผลลัพธ์ดีที่สุด รองลงมาคือแบบจำลอง LSTM และ แบบจำลอง PG-LSTM ตามลำดับ